[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"solution-scenes-menu":3,"tech-detail-2582":4},true,{"id":5,"title":6,"content":7,"picUrl":8,"tagIds":9,"keyWords":10,"htmlDescribe":11,"htmlUrl":12,"gmtCreate":13,"gmtModified":13,"articleInfoId":14},"2582","畅联云平台丨05-ByteTrack多目标跟踪","\u003Ch1 style=\"line-height:2\">ByteTrack 多目标跟踪：高低分两阶段关联与隔帧匹配\u003C\u002Fh1>\u003Cp style=\"line-height:2\">本文讲透一件事：每帧彼此独立的人体（或框）检测，如何被赋予跨帧稳定的 track_id。本项目用 ByteTrack（第三方 ByteTrack 库）封装，并按 YOLO 分数与检测步长，用「按 YOLO 分数与步长生成跟踪配置」自适应放宽匹配。空检测帧只做 Kalman 预测。本文不讨论「谁是谁」（识别），只讨论「前后是不是同一个未知者」。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">一、 跟踪问题形式化\u003C\u002Fh1>\u003Cp style=\"line-height:2\">每一帧有：\u003C\u002Fp>\u003Cul>\u003Cli style=\"line-height:2\">检测集 D：框 + 分数；\u003C\u002Fli>\u003Cli style=\"line-height:2\">轨迹集 T：历史框、速度、状态、id。\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">任务：把 D 分给 T，或开新轨迹，或宣布丢失。代价常用 IoU（或再加马氏距离），再用匈牙利算法 做全局匹配。\u003C\u002Fp>\u003Cp style=\"line-height:2\">难点不在「人少且清晰」，而在：\u003C\u002Fp>\u003Cul>\u003Cli style=\"line-height:2\">互相遮挡；\u003C\u002Fli>\u003Cli style=\"line-height:2\">检测分数忽高忽低；\u003C\u002Fli>\u003Cli style=\"line-height:2\">短时出画再入画；\u003C\u002Fli>\u003Cli style=\"line-height:2\">两人交叉（ID switch）；\u003C\u002Fli>\u003Cli style=\"line-height:2\">隔帧检测 使相邻观测间距变大。\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">跟踪器吃的是检测的脏时间序列，输出相对干净的身份时间轴。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">二、默认配置：四个关键数\u003C\u002Fh1>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002F906be269-8396-4df8-861e-08cd68eb3aa8.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"line-height:2\">注意： 匹配阈值 在头文件默认 0.55，但稠密检测时工厂函数会升到 0.70——见后文。\u003C\u002Fp>\u003Cp style=\"line-height:2\">头文件注释写明：由调用方按 YOLO 阈值 \u002F 检测步长等传入，勿在封装内写死。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">三、 传统痛点：扔掉低分框\u003C\u002Fh1>\u003Cp style=\"line-height:2\">许多跟踪器只拿高分检测关联。遮挡时真目标分数往往先掉进低分区再消失。若低分直接丢：\u003C\u002Fp>\u003Col>\u003Cli style=\"line-height:2\">轨迹立刻匹配失败；\u003C\u002Fli>\u003Cli style=\"line-height:2\">很快被判丢失\u002F删除；\u003C\u002Fli>\u003Cli style=\"line-height:2\">人再出现时开新 ID —— 同一人换号。\u003C\u002Fli>\u003C\u002Fol>\u003Cp style=\"line-height:2\">ByteTrack 的关键洞察：低分框里仍可能藏着被遮挡的真目标，应留给「还没匹配上的轨迹」做第二次机会。高分是「很有把握的点名」；低分是「声音发虚但仍可能是本人」。\u003C\u002Fp>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002Fc5b583fc-6561-454b-8306-74419e496422.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"text-align:center;line-height:2\">\u003Cspan style=\"font-size:12px\">图：检测按 high_thresh 分成高\u002F低分集；第一阶段高分匹配全部活跃轨迹；第二阶段用低分给未匹配轨迹续命；未匹配高分才新建轨迹。\u003C\u002Fspan>\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cbr \u002F>\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">四、两阶段关联流程\u003C\u002Fh1>\u003Cp style=\"line-height:2\">准备：按分数划高分集 \u002F 低分集（边界即 高分阈值；低于 跟踪分数下界 的通常不进跟踪）。\u003C\u002Fp>\u003Cp style=\"line-height:2\">检测框\u003C\u002Fp>\u003Cp style=\"line-height:2\">├─ 高分 (≥ high_thresh) ──┐\u003C\u002Fp>\u003Cp style=\"line-height:2\">└─ 低分 [track_thresh, high) │\u003C\u002Fp>\u003Cp style=\"line-height:2\">▼\u003C\u002Fp>\u003Cp style=\"line-height:2\">第一阶段：高分 ↔ 全部活跃轨迹\u003C\u002Fp>\u003Cp style=\"line-height:2\">│\u003C\u002Fp>\u003Cp style=\"line-height:2\">┌─────────────┼─────────────┐\u003C\u002Fp>\u003Cp style=\"line-height:2\">▼ ▼ ▼\u003C\u002Fp>\u003Cp style=\"line-height:2\">已匹配 未匹配轨迹 未匹配高分\u003C\u002Fp>\u003Cp style=\"line-height:2\">│ │ │\u003C\u002Fp>\u003Cp style=\"line-height:2\">│ ▼ │\u003C\u002Fp>\u003Cp style=\"line-height:2\">│ 第二阶段：低分 ↔ 未匹配轨迹\u003C\u002Fp>\u003Cp style=\"line-height:2\">│ │ │\u003C\u002Fp>\u003Cp style=\"line-height:2\">▼ ▼ ▼\u003C\u002Fp>\u003Cp style=\"line-height:2\">更新 仍未匹配 新建轨迹\u003C\u002Fp>\u003Cp style=\"line-height:2\">→ 丢失逻辑 （通常只用高分）\u003C\u002Fp>\u003Cp style=\"line-height:2\">要点：\u003C\u002Fp>\u003Cul>\u003Cli style=\"line-height:2\">低分通常不新建轨迹，以免噪声刷屏 ID；\u003C\u002Fli>\u003Cli style=\"line-height:2\">低分的职责是 续命，不是 开户。\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">\u003Cspan style=\"font-size:19px\">\u003Cstrong>玩具数字例子\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>\u003Cp style=\"line-height:2\">轨迹 T1、T2；检测 D_h_a(0.8)、D_h_b(0.7)、D_l_c(0.27)；high=0.30，match=0.55。\u003C\u002Fp>\u003Col>\u003Cli style=\"line-height:2\">第一阶段：D_h_a 与 T1 的 IoU=0.72 → 配给 T1；D_h_b 与 T2 的 IoU=0.20 → 未配；\u003C\u002Fli>\u003Cli style=\"line-height:2\">第二阶段：D_l_c 与未匹配 T2 的 IoU=0.58 → T2 用低分续命；\u003C\u002Fli>\u003Cli style=\"line-height:2\">未匹配高分 D_h_b → 新开 T3；\u003C\u002Fli>\u003Cli style=\"line-height:2\">若还有轨迹整帧未配 → 丢失计数 +1。\u003C\u002Fli>\u003C\u002Fol>\u003Cp style=\"line-height:2\">把这张桌子走两遍，比只看论文伪代码更容易记住「低分为什么不能新建」。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">五、轨迹生命周期与 track_buffer\u003C\u002Fh1>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002Fed867cfe-8692-449b-b930-8fa407faeacc.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"text-align:center;line-height:2\">\u003Cspan style=\"font-size:12px\">图：新生确认 → 跟踪中 → 丢失（Kalman 预测撑着）→ 超过 track_buffer 删除；buffer 太大易串号，太小易遮挡换号。\u003C\u002Fspan>\u003C\u002Fp>\u003Col>\u003Cli style=\"line-height:2\">新生：连续确认若干帧才稳定（防闪烁噪声）；\u003C\u002Fli>\u003Cli style=\"line-height:2\">跟踪中：正常匹配更新；\u003C\u002Fli>\u003Cli style=\"line-height:2\">丢失：暂时匹配不上，保留 ID，用预测框撑着；\u003C\u002Fli>\u003Cli style=\"line-height:2\">删除：丢失超过 轨迹缓冲 帧，回收。\u003C\u002Fli>\u003C\u002Fol>\u003Cp style=\"line-height:2\">本项目默认 buffer=30。按秒理解：\u003C\u002Fp>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002Fe7f52dcf-857f-4a46-a68e-59e96e58ecf5.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"line-height:2\">buffer 太大： ID 占坑久，后来的新人可能接上旧号。\u003C\u002Fp>\u003Cp style=\"line-height:2\">buffer 太小： 遮挡一下就换号。\u003C\u002Fp>\u003Cp style=\"line-height:2\">商场跟拍通常愿意略大，优先减少主角换号。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">六、按 YOLO 与 stride 生成配置\u003C\u002Fh1>\u003Cp style=\"line-height:2\">\u003Cspan style=\"font-size:19px\">\u003Cstrong>track \u002F high 对齐检测阈\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>\u003Cp style=\"line-height:2\">若 YOLO \u003Cspan style=\"color:rgb(225, 60, 57)\">score_thresh=0.25\u003C\u002Fspan>：\u003C\u002Fp>\u003Cp style=\"line-height:2\">track_thresh = 0.25\u003C\u002Fp>\u003Cp style=\"line-height:2\">high_thresh = max(0.30, 0.30) = 0.30\u003C\u002Fp>\u003Cp style=\"line-height:2\">若 YOLO 提到\u003Cspan style=\"color:rgb(225, 60, 57)\"> 0.40：\u003C\u002Fspan>\u003C\u002Fp>\u003Cp style=\"line-height:2\">track_thresh = 0.40\u003C\u002Fp>\u003Cp style=\"line-height:2\">high_thresh = max(0.45, 0.30) = 0.45\u003C\u002Fp>\u003Cp style=\"line-height:2\">高低分池整体上移，避免「检测已滤掉的分数带」在跟踪里空转。\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cspan style=\"font-size:19px\">\u003Cstrong>match 随 stride 放宽\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002F01d5de55-a356-4fef-b031-cfee66acb647.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"text-align:center;line-height:2\">\u003Cspan style=\"font-size:12px\">图：detect_stride 增大时，相邻观测间人移动更远，IoU 自然变小；match_thresh 从 0.70 降到 0.62\u002F0.55，避免一开隔帧 ID 全碎。\u003C\u002Fspan>\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cbr \u002F>\u003C\u002Fp>\u003Cp style=\"line-height:2\">按 YOLO 分数与步长生成跟踪配置时，按 stride 设 match：\u003C\u002Fp>\u003Cpre>\u003Ccode>if (detect_stride <= 1) cfg.match_thresh = 0.70f;\nelse if (detect_stride == 2) cfg.match_thresh = 0.62f;\nelse cfg.match_thresh = 0.55f;\ncfg.high_thresh = std::max(score + 0.05f, 0.30f);\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002F1b940f20-f51b-47ad-9dba-50ebb5d26e6f.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"line-height:2\">失败模式： 开了 stride=3 仍用 0.70 → 快速走动全面断轨；stride=1 却用 0.55 → 交叉更易 ID switch。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">七、update：空检测 = 只预测\u003C\u002Fh1>\u003Cp style=\"line-height:2\">当\u003Cspan style=\"color:rgb(225, 60, 57)\"> detections\u003C\u002Fspan> 为空（隔帧的「非检测帧」）：\u003C\u002Fp>\u003Cul>\u003Cli style=\"line-height:2\">\u003Cspan style=\"color:rgb(225, 60, 57)\">objects\u003C\u002Fspan> 为空；\u003C\u002Fli>\u003Cli style=\"line-height:2\">底层仍调用 \u003Cspan style=\"color:rgb(225, 60, 57)\">PersonFocusByteTracker::update\u003C\u002Fspan>：Kalman 预测 + 轨迹维护，不新建、不匹配新观测；\u003C\u002Fli>\u003Cli style=\"line-height:2\">输出框是预测位置，可供跟拍\u002FUI，但业务应知「本帧无测量」。\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">这是隔帧策略能工作的关键：检测贵、预测便宜；中间帧靠运动\u003Cspan style=\"color:rgb(225, 60, 57)\">模型\u003C\u002Fspan>把轨迹 推到当前时刻，下一检测帧 IoU 才可能过阈。\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cspan style=\"font-size:19px\">\u003Cstrong>匀速假设的边界\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>\u003Cp style=\"line-height:2\">短时近似匀速。剧烈变向、急停、被撞开时预测偏；此时：\u003C\u002Fp>\u003Cul>\u003Cli style=\"line-height:2\">略大的 轨迹缓冲；\u003C\u002Fli>\u003Cli style=\"line-height:2\">略松的二次低分匹配；\u003C\u002Fli>\u003Cli style=\"line-height:2\">略低的 匹配阈值（已由 stride 调节）；\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">构成安全网。预测不是为了「画得好看」，是为了时间间隙上仍有重叠可配。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">八、输出状态字段\u003C\u002Fh1>\u003Cul>\u003Cli style=\"line-height:2\">\u003Cspan style=\"color:rgb(225, 60, 57)\">track_id\u003C\u002Fspan>：身份主键；识别相似度应聚合在 id 上，而不是裸框；\u003C\u002Fli>\u003Cli style=\"line-height:2\">\u003Cspan style=\"color:rgb(225, 60, 57)\">activated\u003C\u002Fspan>：是否已确认激活（新生未确认可能为 false，视底层实现）；\u003C\u002Fli>\u003Cli style=\"line-height:2\">丢失态仍可能输出预测框——上层要区分测量\u002F预测，避免误以为检测成功。\u003C\u002Fli>\u003C\u002Ful>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">九、三个旋钮与检测阈的分工\u003C\u002Fh1>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002F52d63513-1f4f-4f84-a35c-3d122a7e2b99.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"line-height:2\">调参应看：ID switch 次数、碎片轨迹数、主角连续存活长度——不是单帧检测 mAP。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十、 ID switch 典型场景\u003C\u002Fh1>\u003Col>\u003Cli style=\"line-height:2\">两人交叉：仅靠 IoU 易绑错；可加外观 ReID，或短时看运动方向一致性。\u003C\u002Fli>\u003Cli style=\"line-height:2\">队列贴靠：框长期高 IoU，需更强运动模型或地面位置。\u003C\u002Fli>\u003Cli style=\"line-height:2\">检测抖动：框左右跳；可轻度平滑观测再关联，但避免双重滞后。\u003C\u002Fli>\u003Cli style=\"line-height:2\">遮挡超过 buffer：出遮挡必然新 ID——设计取舍。\u003C\u002Fli>\u003Cli style=\"line-height:2\">镜面反射：检出「第二个我」，养出平行假轨。\u003C\u002Fli>\u003C\u002Fol>\u003Cp style=\"line-height:2\">ByteTrack 原版偏运动与 IoU，极简且强；店内跟拍先把高低分与 buffer、stride-match 调顺，再考虑 ReID。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十一、与隔帧检测的协作表\u003C\u002Fh1>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002Ff29f24a0-90ad-4f14-89d9-83a1b8319c36.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"line-height:2\">ByteTrack 能消化一定低分与短暂缺失，但不是无限。N 越大越依赖运动模型，也越要接受 ID 稳定性下降。\u003C\u002Fp>\u003Cp style=\"line-height:2\">调用方典型写法：检测帧把 YOLO 框填进 update；非检测帧传 空 vector 做预测。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十二、fps 与 buffer 的秒意义\u003C\u002Fh1>\u003Cp style=\"line-height:2\">底层 源帧率 非法时钳到 25。同一 track_buffer=30：\u003C\u002Fp>\u003Cul>\u003Cli style=\"line-height:2\">25 fps ≈ 1.2 s 容错；\u003C\u002Fli>\u003Cli style=\"line-height:2\">若误把 60 fps 素材标成 25，buffer 的「秒」被拉长，串号风险升。\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">按秒思考比按帧更不容易误判产品体验。\u003C\u002Fp>\u003Ch1 style=\"line-height:2\">十三、 调试故事三则\u003C\u002Fh1>\u003Cp style=\"line-height:2\">\u003Cstrong>故事 A：\u003C\u002Fstrong>一开隔帧 ID 全碎\u003C\u002Fp>\u003Cp style=\"line-height:2\">原因：match 仍按「相邻帧人几乎不动」。\u003C\u002Fp>\u003Cp style=\"line-height:2\">处理：空帧用空检测列表调用 \u003Cspan style=\"color:rgb(225, 60, 57)\">update \u003C\u002Fspan>做预测；按 YOLO 分数与步长生成跟踪配置时自动降 match。\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cstrong>故事 B：\u003C\u002Fstrong>遮挡后主角换号\u003C\u002Fp>\u003Cp style=\"line-height:2\">原因：分数掉进低分区被丢，或 buffer 太短。\u003C\u002Fp>\u003Cp style=\"line-height:2\">处理：保证 low 分进入第二阶段；加大 buffer；检查 跟踪分数下界 是否高于实际遮挡分数。\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cstrong>故事 C：\u003C\u002Fstrong>广告牌也有 track_id\u003C\u002Fp>\u003Cp style=\"line-height:2\">原因：噪声高分立刻建轨。\u003C\u002Fp>\u003Cp style=\"line-height:2\">处理：提高新生确认；检测侧 NMS\u002F形态过滤先干净；勿让低分建轨。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十四、ByteTrack 不负责什么\u003C\u002Fh1>\u003Cul>\u003Cli style=\"line-height:2\">不负责认出「这是张三」（识别）；\u003C\u002Fli>\u003Cli style=\"line-height:2\">不负责把切块重复框合并干净（应在进入跟踪前 NMS）；\u003C\u002Fli>\u003Cli style=\"line-height:2\">不保证出画再入画一定同号（buffer 外新开）；\u003C\u002Fli>\u003Cli style=\"line-height:2\">不自动修复系统性偏移的检测框（预处理错了，跟踪只能稳稳地错）。\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">边界划清，才不会把识别问题当成跟踪问题拧。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十五、框平滑与跟踪的先后\u003C\u002Fh1>\u003Cul>\u003Cli style=\"line-height:2\">关联用较新的观测（或轻预测）；\u003C\u002Fli>\u003Cli style=\"line-height:2\">对外显示\u002F跟拍用轻度平滑；\u003C\u002Fli>\u003Cli style=\"line-height:2\">平滑很重时，交叉瞬间框会黏，IoU 更易绑错。\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">不要把平滑当成提高检测分数的手段。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十六、 算力：代价矩阵规模\u003C\u002Fh1>\u003Cp style=\"line-height:2\">关联复杂度约「轨迹数 × 检测数」。高峰两者都大时，匈牙利本身也可观。缓解：\u003C\u002Fp>\u003Cul>\u003Cli style=\"line-height:2\">空间门控，只对邻近候选算 IoU；\u003C\u002Fli>\u003Cli style=\"line-height:2\">限制最大轨迹数，回收长期丢失；\u003C\u002Fli>\u003Cli style=\"line-height:2\">检测侧先 NMS，避免重复框抬高矩阵。\u003C\u002Fli>\u003C\u002Ful>\u003Cp style=\"line-height:2\">算法思想轻，输入框质量与数量直接变成运行时成本。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十七、丢失态预测框怎么用\u003C\u002Fh1>\u003Cp style=\"line-height:2\">丢失时仍可输出预测框，但标记丢失，避免业务当检测成功。预测框继续参与下一帧匹配；一旦匹配成功，用真实框纠正并清零丢失计数。人突然折返时短时 IoU 可能对不上——略大 buffer 与略松二次匹配就是容错带。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十八、ID 回收策略\u003C\u002Fh1>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002F67ae01b5-d1c5-40fd-a755-baa78bbd9e80.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"line-height:2\">跟拍与事后复盘更适合永不复用。选定后不要中途改变。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">十九、参数起步与本项目契约对照\u003C\u002Fh1>\u003Cp style=\"text-align:center;line-height:2\">\u003Cimg src=\"https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002F7b85fad4-743c-4457-a1d1-aa846d4860f2.png\" alt=\"\" loading=\"lazy\" \u002F>\u003C\u002Fp>\u003Cp style=\"line-height:2\">准备 5～10 段含交叉、遮挡、进出画的短视频，每次改参人工数主角换号次数。\u003C\u002Fp>\u003Chr \u002F>\u003Ch1 style=\"line-height:2\">二十、 一帧关联的 IoU 门槛直觉\u003C\u002Fh1>\u003Cp style=\"line-height:2\">\u003Cspan style=\"color:rgb(225, 60, 57)\">match_thresh=0.70 \u003C\u002Fspan>要求两框大部分重叠才配——适合每帧检测。\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cspan style=\"color:rgb(225, 60, 57)\">0.55\u003C\u002Fspan> 允许更多位移：若人每 stride 周期水平移 40 px、框宽 80，仅平移造成的 IoU 可能掉到 0.5～0.6 量级；再叠加尺度变化，0.70 会系统性失败，0.55 才接得住。\u003C\u002Fp>\u003Cp style=\"line-height:2\">粗算：两同尺寸框水平偏移 δ、宽 W：\u003C\u002Fp>\u003Cp style=\"line-height:2\">IoU ≈ (W-δ)\u002FW × H\u002FH 的简化（高度对齐时）= 1 - δ\u002FW\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cspan style=\"color:rgb(225, 60, 57)\">δ\u002FW=0.3 \u003C\u002Fspan>→ IoU≈0.7；\u003Cspan style=\"color:rgb(225, 60, 57)\">δ\u002FW=0.45\u003C\u002Fspan> → IoU≈0.55。stride 变大 → δ 变大 → 必须降阈或先预测再比。\u003C\u002Fp>\u003Cp style=\"line-height:2\">\u003Cbr \u002F>\u003C\u002Fp>","https:\u002F\u002Fqu-link.oss-cn-hangzhou.aliyuncs.com\u002F2026\u002F08\u002F31\u002F081402fc-7538-46fa-a57a-eae798960a3e.jpg","84,85","美畅，美畅物联，畅联，畅联云平台，视频监控云平台，云视频监控，视频云平台，视频开放平台，视频感知云，视频接入网关，AIoT综合接入网关，视频中台，物联网中台，视频上云网关，Ehome，I连锁行业，智慧交通，AI算法","原创技术分享丨美畅物联向工","https:\u002F\u002Fwww.24hlink.cn\u002Ftech\u002F2582","2026-08-31 15:25:27","866"]